CN115080739A - 用于训练对话模型的方法以及用于输出应答信息的方法 - Google Patents
用于训练对话模型的方法以及用于输出应答信息的方法 Download PDFInfo
- Publication number
- CN115080739A CN115080739A CN202210728304.4A CN202210728304A CN115080739A CN 115080739 A CN115080739 A CN 115080739A CN 202210728304 A CN202210728304 A CN 202210728304A CN 115080739 A CN115080739 A CN 115080739A
- Authority
- CN
- China
- Prior art keywords
- sample
- model
- trained
- response
- response information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3347—Query execution using vector based model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了用于训练对话模型的方法以及用于输出应答信息的方法,涉及人工智能技术领域,具体为自然语言处理技术领域。具体实现方案为:获取样本对话和样本应答标签;通过待训练模型中的辨别网络,确定样本对话对应的移情意图隐向量;基于移情意图隐向量,生成样本对话对应的应答信息;基于应答信息和样本应答标签,对待训练模型进行训练,得到训练完成的对话模型。本实现方式可以提高应答信息的智能化程度。
Description
技术领域
本公开涉及人工智能技术领域,具体为自然语言处理技术领域。
背景技术
自然语言处理技术是人工智能技术领域中一个重要的研究方向。其中,自然语言处理技术是指利用人类交流所使用的自然语言与机器进行交互通讯的技术,其广泛应用于智能人机对话等应用场景。
在实践中发现,在智能人机对话的应用场景中,通常需要训练对话模型,用以基于训练完成的对话模型输出与用户对话相匹配的应答信息。然而,现在的对话模型所输出的应答信息的移情能力较差,从而导致应答信息不够智能。
发明内容
本公开提供了一种用于训练对话模型的方法以及用于输出应答信息的方法。
根据本公开的一方面,提供了一种用于训练对话模型的方法,包括:获取样本对话和样本应答标签;通过待训练模型中的辨别网络,确定样本对话对应的移情意图隐向量;基于移情意图隐向量,生成样本对话对应的应答信息;基于应答信息和样本应答标签,对待训练模型进行训练,得到训练完成的对话模型。
根据本公开的另一方面,提供了一种用于输出应答信息的方法,包括:获取目标对话;基上述的用于训练对话模型的方法训练得到的对话模型和目标对话,确定目标应答信息;输出目标应答信息。
根据本公开的另一方面,提供了一种用于训练对话模型的装置,包括:样本获取单元,被配置成获取样本对话和样本应答标签;隐向量确定单元,被配置成通过待训练模型中的辨别网络,确定样本对话对应的移情意图隐向量;应答生成单元,被配置成基于移情意图隐向量,生成样本对话对应的应答信息;模型训练单元,被配置成基于应答信息和样本应答标签,对待训练模型进行训练,得到训练完成的对话模型。
根据本公开的另一方面,提供了一种用于输出应答信息的装置,包括:对话获取单元,被配置成获取目标对话;应答确定单元,被配置成基于上述的用于训练对话模型的方法训练得到的对话模型和目标对话,确定目标应答信息;应答输出单元,被配置成输出目标应答信息。
根据本公开的另一方面,提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项用于训练对话模型的方法或者用于输出应答信息的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上任意一项用于训练对话模型的方法或者用于输出应答信息的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上任意一项用于训练对话模型的方法或者用于输出应答信息的方法。
根据本公开的技术,提供一种用于训练对话模型的方法或者用于输出应答信息的方法,能够提高应答信息的智能化程度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于训练对话模型的方法的一个实施例的流程图;
图3是根据本公开的用于训练对话模型的方法的一个应用场景的示意图;
图4是根据本公开的用于训练对话模型的方法的另一个实施例的流程图;
图5是根据本公开的用于输出应答信息的方法的一个实施例的流程图;
图6是根据本公开的用于训练对话模型的装置的一个实施例的结构示意图;
图7是根据本公开的用于输出应答信息的装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的用于训练对话模型的方法或者用于输出应答信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103中可以获取用于训练对话模型的样本对话和样本应答标签,并将样本对话和样本应答标签通过网络104发送给服务器105,以使服务器105基于样本对话和样本应答标签作为训练样本,训练得到对话模型。之后,终端设备101、102、103可以获取对话模型,基于对话模型,输出与目标对话对应的目标应答信息。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于手机、电脑、平板等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,服务器105可以接收终端设备101、102、103通过网络104发送的样本对话和样本应答标签;通过待训练模型中的辨别网络,确定样本对话对应的移情意图隐向量;基于移情意图隐向量,生成样本对话对应的应答信息;基于应答信息和样本应答标签,对待训练模型进行训练,得到训练完成的对话模型。之后,服务器105可以通过网络104将对话模型发送给终端设备101、102、103,以使终端设备101、102、103通过对话模型输出与目标对话对应的目标应答信息。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的用于训练对话模型的方法或者用于输出应答信息的方法可以由终端设备101、102、103执行,也可以由服务器105执行,用于训练对话模型的装置或者用于输出应答信息的装置可以设置于终端设备101、102、103,也可以设置于服务器105中,本公开实施例对此不做限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于训练对话模型的方法的一个实施例的流程200。本实施例的用于训练对话模型的方法,包括以下步骤:
步骤201,获取样本对话和样本应答标签。
在本实施例中,执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地存储或者预先建立连接的电子设备中获取用于训练对话模型的样本对话和样本应答标签。其中,样本对话可以为用户输入的对话语音、对话文本等,样本应答标签可以为针对用户输入的对话语音、对话文本等对话的标注应答信息。并且,样本对话的数量通常为多个,每个样本对话具有相应的样本应答标签。
步骤202,通过待训练模型中的辨别网络,确定样本对话对应的移情意图隐向量。
在本实施例中,待训练模型中可以包括条件变分自动编码器结构。其中,在模型训练阶段,条件变分自动编码器结构中可以包括辨别网络和先验网络。先验网络可以基于上述的样本应答标签生成,用于描述标注应答信息的信息分布,能够反映标注应答信息中的移情意图。这里的移情意图可以为针对用户输入的对话语音、对话文本等对话的情感应答信息。辨别网络可以为需要进行训练的网络结构,初始的辨别网络可以采用随机生成等方式确定。在模型训练的过程中,能够不断调整辨别网络的网络参数,以使辨别网络的信息分布不断逼近先验网络的信息分布。
并且,执行主体在每轮模型训练迭代时,可以将样本对话输入待训练模型,利用待训练模型中的辨别网络,生成与样本对话对应的、用于描述样本对话的移情意图的隐向量,即,上述的移情意图隐向量。其中,移情意图隐向量可以为描述移情意图的、不可观测的变量。
步骤203,基于移情意图隐向量,生成样本对话对应的应答信息。
在本实施例中,执行主体在获取移情意图隐向量之后,可以将移情意图隐向量作为应答信息的一个生成依据,基于移情意图隐向量生成样本对话对应的应答信息。可以理解,这里生成的应答信息即为具有移情能力的应答。可选的,执行主体还可以确定样本对话对应的情感分类、对话的语义等多方面对话信息,并基于该多方面对话信息和上述移情意图隐向量,生成应答信息,从而进一步提高应答信息的生成准确度。
步骤204,基于应答信息和样本应答标签,对待训练模型进行训练,得到训练完成的对话模型。
在本实施例中,执行主体可以确定应答信息和样本应答标签之间的差异,如果差异较大,则调整待训练模型的模型参数,重复上述训练过程,直至应答信息和样本应答标签之间的差异小于预设的阈值,得到训练完成的对话模型。
其中,训练完成的对话模型用于输出与对话相对应的、具有移情能力的应答信息。并且,训练完成的对话模型可以包括训练完成的辨别网络。其中,上述需要调整的待训练模型的模型参数至少包括辨别网络的网络参数。
继续参见图3,其示出了根据本公开的用于训练对话模型的方法的一个应用场景的示意图。在图3的应用场景中,上述的待训练模型可以包括文本编码器302、情感分类模块303、条件变分自动编码器结构中的先验网络304、条件变分自动编码器结构中的辨别网络305和响应解码模块308。其中,在训练模型时,执行主体可以将样本对话301输入文本编码器302,以使文本编码器302对样本对话301进行编码,得到文本向量。之后,执行主体可以基于文本向量和情感分类模块303,确定出样本对话301对应的情感类别306。同时,执行主体还可以将文本向量输入条件变分自动编码器结构,以使条件变分自动编码器结构中的先验网络304和辨别网络305确定得到移情意图隐向量307。之后,执行主体可以将情感类别306、移情意图隐向量307和文本向量输入响应解码模块308,以使响应解码模块308输出响应信息309。之后,执行主体可以基于响应信息309和样本对话301对应的样本应答标签,对待训练模型进行训练,得到对话模型。其中,这里的文本编码器302和响应解码模块308可以采用Transformer模型(一种基于自注意力机制的神经网络模型)中的编解码结构。
本公开上述实施例提供的用于训练对话模型的方法,可以通过待训练模型中的辨别网络,确定样本对话对应的移情意图隐向量,利用移情意图隐向量模拟移情意图的潜在分布,从而训练得到具备移情能力的对话模型,提高了对话模型输出的响应信息的智能化程度。
继续参见图4,其示出了根据本公开的用于训练对话模型的方法的另一个实施例的流程400。如图4所示,本实施例的用于训练对话模型的方法可以包括以下步骤:
步骤401,获取样本对话和样本应答标签。
在本实施例中,对于步骤401的详细描述请参照对于步骤201的详细描述,在此不再赘述。
步骤402,基于样本应答标签,生成先验网络。
在本实施例中,执行主体可以确定样本应答标签中用于反映移情意图的情感应答信息,并使用条件变分自动编码器结构生成情感应答信息对应的信息分布,得到先验网络(prior network)。
步骤403,通过待训练模型中的辨别网络和先验网络,生成样本对话对应的移情意图隐向量。
在本实施例中,在训练待训练模型的过程中,执行主体可以通过待训练模型中的辨别网络和先验网络所组成的条件变分自动编码器结构,生成移情意图隐向量。
其中,对于步骤403的详细描述请一并参照对于步骤202的详细描述,在此不再赘述。
步骤404,确定样本对话对应的情感类别和文本向量。
在本实施例中,上述待训练模型中还可以包括情感分类模块,执行主体可以基于情感分类模块确定样本对话对应的情感类别。并且,上述待训练模型中还可以包括编码模块,执行主体可以基于编码模块确定样本对话对应的文本向量。
在本实施例的一些可选的实现方式中,确定样本对话对应的情感类别和文本向量可以包括:对样本对话进行编码,得到样本对话对应的文本向量;对文本向量进行情感分类,得到样本对话对应的情感类别。
在本实现方式中,执行主体可以将样本对话输入待训练模型,以使待训练模型中的文本编码模块,对样本对话进行编码,得到上述文本向量。之后,执行主体可以将上述文本向量输入上述情感分类模块,用以通过上述情感分类模块对文本向量进行情感分类,得到样本对话对应的情感类别。
步骤405,将移情意图隐向量和情感类别进行拼接,得到移情参数。
在本实施例中,执行主体可以将移情意图隐向量和情感类别进行拼接,得到移情参数。其中,移情参数用于描述针对样本对话的情感应答。通过移情参数训练模型,能够使得训练完成的对话模型输出具有移情能力的应答。并且,可以理解,这里的情感类别可以作为粗粒度的移情参数,这里的移情意图隐向量可以作为细粒度的移情参数,基于这二者生成的移情参数能够更为精准地反映移情意图。
步骤406,基于移情参数和文本向量,生成样本对话对应的应答信息。
在本实施例中,执行主体可以将上述移情参数和上述文本向量输入待训练模型中的解码模块,以使解码模块基于移情参数和文本向量,生成应答信息。可选的,这里的文本向量可以为采用自注意力机制生成的注意力向量,从而更加便于理解样本对话中的重要文本内容,进一步提升应答信息的精准度。
步骤407,基于应答信息、样本应答标签和先验网络,调整辨别网络的网络参数,得到训练完成的辨别网络。
在本实施例中,执行主体可以基于应答信息和样本应答标签之间的差异,朝向逼近先验网络中信息分布的方向,调整辨别网络的网络参数,直至应答信息和样本应答标签之间的差异小于阈值,得到训练完成的辨别网络。可以理解,训练完成的辨别网络所对应的信息分布与先验网络中信息分布之间的差异较小。其中,辨别网络所对应的信息分布与先验网络中信息分布之间的差异可以采用信息散度进行确定。
在本实施例的一些可选的实现方式中,基于应答信息、样本应答标签和先验网络,调整辨别网络的网络参数,得到训练完成的辨别网络,包括:响应于应答信息和样本应答标签之间的差异信息不满足预设的差异条件,基于先验网络中的网络参数,调整辨别网络的网络参数,直至应答信息和样本应答标签之间的差异信息满足预设的差异条件,得到训练完成的辨别网络。
在本实现方式中,执行主体可以确定应答信息和样本应答标签之间的差异值,如果该差异值大于预设的阈值,则确定应答信息和样本应答标签之间的差异信息不满足预设的差异条件,并朝向逼近先验网络中信息分布的方向,调整辨别网络的网络参数,直至应答信息和样本应答标签之间的差异值小于或者等于预设的阈值,得到训练完成的辨别网络。
步骤408,基于训练完成的辨别网络,确定训练完成的对话模型。
在本实施例中,训练完成的对话模型可以包括训练完成的辨别网络,并且不包括上述先验网络。在对话模型的应用阶段,可以通过辨别网络生成对话对应的移情意图隐向量。
本公开上述实施例提供的用于训练对话模型的方法,还可以结合情感类别、文本向量和移情意图隐向量共同生成应答信息,从而提高了应答信息的精准度。以及,在训练模型的过程中,还可以采用条件变分自动编码器结构中的先验网络和辨别网络生成移情意图隐向量,并基于应答信息、样本应答标签和先验网络,训练辨别网络,使得辨别网络能够较为精准地生成移情意图隐向量,提高了对话模型的移情能力。
继续参考图5,示出了根据本公开的用于输出应答信息的方法的一个实施例的流程500。本实施例的用于输出应答信息的方法,包括以下步骤:
步骤501,获取目标对话。
在本实施例中,执行主体(如图1中的服务器105或者终端设备101、102、103)可以实时获取用户输入的目标对话,目标对话可以为用户输入的语音对话、文本对话等,本实施例对此不做限定。
步骤502,基于上述的用于训练对话模型的方法训练得到的对话模型和目标对话,确定目标应答信息。
在本实施例中,执行主体可以将目标对话输入上述对话模型,以使上述对话模型中训练完成的辨别网络生成目标对话的移情意图隐向量、情感类别、文本向量,并基于移情意图隐向量、情感类别、文本向量共同确定目标应答信息。其中,目标应答信息可以包括应答语音、应答文本等,本实施例对此不做限定。
步骤503,输出目标应答信息。
在本实施例中,执行主体可以输出目标应答信息,实现与用户之间的一轮对话。如果再次检测到用户输入的目标对话,可以重复执行步骤501至步骤503,实现多轮人机交互对话。
本公开上述实施例提供的用于输出应答信息的方法,可以利用上述对话模型输出具有移情能力的目标应答信息,提高了目标应答信息的智能化程度。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种用于训练对话模型的装置的一个实施例,该装置实施例与图6所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图6所示,本实施例的用于训练对话模型的装置600包括样本获取单元601、隐向量确定单元602、应答生成单元603以及模型训练单元604。
样本获取单元601,被配置成获取样本对话和样本应答标签。
隐向量确定单元602,被配置成通过待训练模型中的辨别网络,确定样本对话对应的移情意图隐向量;其中,移情意图隐向量用于描述样本对话的移情意图。
应答生成单元603,被配置成基于移情意图隐向量,生成样本对话对应的应答信息。
模型训练单元604,被配置成基于应答信息和样本应答标签,对待训练模型进行训练,得到训练完成的对话模型;其中,训练完成的对话模型用于输出与对话对应的应答信息。
在本实施例的一些可选的实现方式中,应答生成单元603进一步被配置成:确定样本对话对应的情感类别和文本向量;将移情意图隐向量和情感类别进行拼接,得到移情参数;基于移情参数和文本向量,生成样本对话对应的应答信息。
在本实施例的一些可选的实现方式中,应答生成单元603进一步被配置成:对样本对话进行编码,得到样本对话对应的文本向量;对文本向量进行情感分类,得到样本对话对应的情感类别。
在本实施例的一些可选的实现方式中,隐向量确定单元602进一步被配置成:基于样本应答标签,生成先验网络;通过待训练模型中的辨别网络和先验网络,生成样本对话对应的移情意图隐向量。
在本实施例的一些可选的实现方式中,模型训练单元604进一步被配置成:基于应答信息、样本应答标签和先验网络,调整辨别网络的网络参数,得到训练完成的辨别网络;基于训练完成的辨别网络,确定训练完成的对话模型。
在本实施例的一些可选的实现方式中,模型训练单元604进一步被配置成:响应于应答信息和样本应答标签之间的差异信息不满足预设的差异条件,基于先验网络中的网络参数,调整辨别网络的网络参数,直至应答信息和样本应答标签之间的差异信息满足预设的差异条件,得到训练完成的辨别网络。
应当理解,用于训练对话模型的装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于训练对话模型的方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种用于输出应答信息的装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于终端设备、服务器等电子设备中。
如图7所示,本实施例的用于输出应答信息的装置700包括:对话获取单元701、应答确定单元702和应答输出单元703。
对话获取单元701,被配置成获取目标对话。
应答确定单元702,被配置成基于上述的用于训练对话模型的方法训练得到的对话模型和目标对话,确定目标应答信息。
应答输出单元703,被配置成输出目标应答信息。
应当理解,用于输出应答信息的装置700中记载的单元701至单元703分别与参考图5中描述的方法中的各个步骤相对应。由此,上文针对用于输出应答信息的方法描述的操作和特征同样适用于装置700及其中包含的单元,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如用于训练对话模型的方法或者用于输出应答信息的方法。例如,在一些实施例中,用于训练对话模型的方法或者用于输出应答信息的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的用于训练对话模型的方法或者用于输出应答信息的方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于训练对话模型的方法或者用于输出应答信息的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种用于训练对话模型的方法,包括:
获取样本对话和样本应答标签;
通过待训练模型中的辨别网络,确定所述样本对话对应的移情意图隐向量;其中,所述移情意图隐向量用于描述所述样本对话的移情意图;
基于所述移情意图隐向量,生成所述样本对话对应的应答信息;
基于所述应答信息和所述样本应答标签,对待训练模型进行训练,得到训练完成的对话模型;其中,所述训练完成的对话模型用于输出与对话对应的应答信息。
2.根据权利要求1所述的方法,其中,所述基于所述移情意图隐向量,生成所述样本对话对应的应答信息,包括:
确定所述样本对话对应的情感类别和文本向量;
将所述移情意图隐向量和所述情感类别进行拼接,得到移情参数;
基于所述移情参数和所述文本向量,生成所述样本对话对应的应答信息。
3.根据权利要求2所述的方法,其中,所述确定所述样本对话对应的情感类别和文本向量,包括:
对所述样本对话进行编码,得到所述样本对话对应的文本向量;
对所述文本向量进行情感分类,得到所述样本对话对应的情感类别。
4.根据权利要求1所述的方法,其中,所述通过待训练模型中的辨别网络,确定所述样本对话对应的移情意图隐向量,包括:
基于所述样本应答标签,生成先验网络;
通过所述待训练模型中的所述辨别网络和所述先验网络,生成所述样本对话对应的所述移情意图隐向量。
5.根据权利要求4所述的方法,其中,所述基于所述应答信息和所述样本应答标签,对待训练模型进行训练,得到训练完成的对话模型,包括:
基于所述应答信息、所述样本应答标签和所述先验网络,调整所述辨别网络的网络参数,得到训练完成的辨别网络;
基于所述训练完成的辨别网络,确定所述所述训练完成的对话模型。
6.根据权利要求5所述的方法,其中,所述基于所述应答信息、所述样本应答标签和所述先验网络,调整所述辨别网络的网络参数,得到训练完成的辨别网络,包括:
响应于所述应答信息和所述样本应答标签之间的差异信息不满足预设的差异条件,基于所述先验网络中的网络参数,调整所述辨别网络的网络参数,直至所述应答信息和所述样本应答标签之间的差异信息满足所述预设的差异条件,得到所述训练完成的辨别网络。
7.一种用于输出应答信息的方法,包括:
获取目标对话;
基于权利要求1至6中任一项所述的用于训练对话模型的方法训练得到的对话模型和所述目标对话,确定目标应答信息;
输出所述目标应答信息。
8.一种用于训练对话模型的装置,包括:
样本获取单元,被配置成获取样本对话和样本应答标签;
隐向量确定单元,被配置成通过待训练模型中的辨别网络,确定所述样本对话对应的移情意图隐向量;其中,所述移情意图隐向量用于描述所述样本对话的移情意图;
应答生成单元,被配置成基于所述移情意图隐向量,生成所述样本对话对应的应答信息;
模型训练单元,被配置成基于所述应答信息和所述样本应答标签,对待训练模型进行训练,得到训练完成的对话模型;其中,所述训练完成的对话模型用于输出与对话对应的应答信息。
9.根据权利要求8所述的装置,其中,所述应答生成单元进一步被配置成:
确定所述样本对话对应的情感类别和文本向量;
将所述移情意图隐向量和所述情感类别进行拼接,得到移情参数;
基于所述移情参数和所述文本向量,生成所述样本对话对应的应答信息。
10.根据权利要求9所述的装置,其中,所述应答生成单元进一步被配置成:
对所述样本对话进行编码,得到所述样本对话对应的文本向量;
对所述文本向量进行情感分类,得到所述样本对话对应的情感类别。
11.根据权利要求8所述的装置,其中,所述隐向量确定单元进一步被配置成:
基于所述样本应答标签,生成先验网络;
通过所述待训练模型中的所述辨别网络和所述先验网络,生成所述样本对话对应的所述移情意图隐向量。
12.根据权利要求11所述的装置,其中,所述模型训练单元进一步被配置成:
基于所述应答信息、所述样本应答标签和所述先验网络,调整所述辨别网络的网络参数,得到训练完成的辨别网络;
基于所述训练完成的辨别网络,确定所述所述训练完成的对话模型。
13.根据权利要求12所述的装置,其中,所述模型训练单元进一步被配置成:
响应于所述应答信息和所述样本应答标签之间的差异信息不满足预设的差异条件,基于所述先验网络中的网络参数,调整所述辨别网络的网络参数,直至所述应答信息和所述样本应答标签之间的差异信息满足所述预设的差异条件,得到所述训练完成的辨别网络。
14.一种用于输出应答信息的装置,包括:
对话获取单元,被配置成获取目标对话;
应答确定单元,被配置成基于权利要求1至6中任一项所述的用于训练对话模型的方法训练得到的对话模型和所述目标对话,确定目标应答信息;
应答输出单元,被配置成输出所述目标应答信息。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210728304.4A CN115080739A (zh) | 2022-06-24 | 2022-06-24 | 用于训练对话模型的方法以及用于输出应答信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210728304.4A CN115080739A (zh) | 2022-06-24 | 2022-06-24 | 用于训练对话模型的方法以及用于输出应答信息的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115080739A true CN115080739A (zh) | 2022-09-20 |
Family
ID=83255657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210728304.4A Pending CN115080739A (zh) | 2022-06-24 | 2022-06-24 | 用于训练对话模型的方法以及用于输出应答信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080739A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737888A (zh) * | 2023-01-11 | 2023-09-12 | 北京百度网讯科技有限公司 | 对话生成模型的训练方法和答复文本的确定方法、装置 |
-
2022
- 2022-06-24 CN CN202210728304.4A patent/CN115080739A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737888A (zh) * | 2023-01-11 | 2023-09-12 | 北京百度网讯科技有限公司 | 对话生成模型的训练方法和答复文本的确定方法、装置 |
CN116737888B (zh) * | 2023-01-11 | 2024-05-17 | 北京百度网讯科技有限公司 | 对话生成模型的训练方法和答复文本的确定方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN111428010A (zh) | 人机智能问答的方法和装置 | |
CN115309877B (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN114895817B (zh) | 交互信息处理方法、网络模型的训练方法及装置 | |
US20220358955A1 (en) | Method for detecting voice, method for training, and electronic devices | |
CN113674746B (zh) | 人机交互方法、装置、设备以及存储介质 | |
CN113157874B (zh) | 确定用户的意图的方法、装置、设备、介质和程序产品 | |
CN114937478B (zh) | 用于训练模型的方法、用于生成分子的方法和装置 | |
CN113434683A (zh) | 文本分类方法、装置、介质及电子设备 | |
CN114416943A (zh) | 对话模型的训练方法、装置、电子设备及存储介质 | |
CN115358243A (zh) | 多轮对话识别模型的训练方法、装置、设备及存储介质 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN112910761B (zh) | 即时通讯方法、装置、设备、存储介质以及程序产品 | |
CN115080739A (zh) | 用于训练对话模型的方法以及用于输出应答信息的方法 | |
CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN115312042A (zh) | 用于处理音频的方法、装置、设备以及存储介质 | |
CN114067805A (zh) | 声纹识别模型的训练与声纹识别方法及装置 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN113204616A (zh) | 文本抽取模型的训练与文本抽取的方法、装置 | |
CN115169549B (zh) | 人工智能模型更新方法、装置、电子设备及存储介质 | |
CN113553863B (zh) | 文本生成方法、装置、电子设备和存储介质 | |
CN116257611B (zh) | 问答模型的训练方法、问答处理方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |